遗传小波神经网络的陀螺随机误差补偿方法及系统技术方案

本发明专利技术提供了一种遗传小波神经网络的陀螺随机误差补偿方法及系统，该方法包括：确定小波神经网络的输入量和输出量；通过梯度修正法训练小波神经网络的权值和小波基函数系数；通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。本发明专利技术的方法及系统，通过结合遗传算法的全局性寻优特点可以弥补小波函数的局部分析特性，将两者进行统一，进而得到具有全局寻优并兼顾局部寻优特点，从而可以有效的对陀螺随机误差进行预测并补偿，从而达到消除误差的目的。

Compensation method and system of gyro random error based on Genetic Wavelet Neural Network

The invention provides a gyro random error compensation method and system based on Genetic Wavelet Neural network, which includes: determining the input and output of the wavelet neural network; training the weights and wavelet basis function coefficients of the wavelet neural network by gradient correction method; and further training the wavelet neural network by genetic algorithm. Weights and wavelet basis function coefficients are used in the wavelet neural network to establish the stochastic error model of gyroscope based on genetic algorithm and wavelet neural network, and the stochastic error model of gyroscope based on genetic algorithm and wavelet neural network is used to compensate the stochastic error of gyroscope. The method and system of the invention can compensate for the local analysis characteristics of the wavelet function by combining the global optimization characteristics of the genetic algorithm, unify the two, and then obtain the global optimization and take into account the local optimization characteristics, so as to effectively predict and compensate the random error of the gyroscope, thereby eliminating the error. Poor purpose.

【技术实现步骤摘要】
遗传小波神经网络的陀螺随机误差补偿方法及系统
本专利技术涉及惯性
，尤其涉及一种遗传小波神经网络的陀螺随机误差补偿方法及系统。
技术介绍
微惯性测量单元是一种对六维惯性参量进行集成的惯性测量组合器件，其采用MEMS传感器(MicroelectroMechanicalSystems，微机电系统)的设计方法和加工工艺，能够同时检测多轴加速度值与角速度值，因此器件的体积和质量都更加轻便，在各个领域中得到了广泛应用。导航系统和航姿系统的有效性主要取决于微机电系统-惯性测量单元(microelectromechanicalsystem-inertialmeasurementunit,MEMS-IMU)的精度，然而由于MEMS惯性器件自身结构和加工工艺的局限性，其输出存在信噪比低的弊端，导致导航精度低。MEMS惯性器件的随机漂移误差主要由随机性的干扰力矩产生，通常包括角度随机游走、量化噪声、零偏不稳定性等误差项。因此，对MEMS惯性器件的随机误差进行有效补偿对提高其精度、扩展MEMS惯导系统的应用范围具有十分重要的意义。小波神经网络(WaveletNeuralNetwork，WNN)是将小波变换和神经网络理论结合起来的一种神经网络，其思想是用小波函数作为网络中隐含层的激励函数，这样得到的网络具有更多的自由度和更灵活有效的函数逼近能力和较强的容错能力。利用小波函数作为网络中隐含层的激励函数，使得小波变换在时频域内既可对信号局部特征进行描述又兼顾神经网络所具有的自主学习和自适应等优点。小波分析理论是傅里叶分析方法的的发展与延拓，经过小波平移和伸缩变换处理，可实现在时频域内同时对信号进行局部特征分析。人工神经网络(ArtificialNeuralNetwork，ANN)是从数学、物理方法及信息处理的角度对人类神经网络进行抽象而建立的简化模型，具有大规模并行处理能力、分布式存储能力、自适应能力等特征。神经网络具备对非线性问题的最优逼近优点，相比于传统方法，更适合最优非线性建模。因此，它在模式识别、信号处理、预测估计、自动控制等领域有着广泛的应用。小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络，其拓扑结构如图1所示。遗传算法(GeneticAlgorithm，GA)是一种自适应全局优化概率搜索算法，可以直接对结构对象进行操作，具有内在隐并行性和更好的全局寻优能力。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索算法难以解决的复杂和非线性优化问题。它是一种并行随机搜索最优化方法，不需了解问题的具体信息，可以对特定目标自动优化，不受搜索空间的限制。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的遗传小波神经网络的陀螺随机误差补偿方法及系统，解决MEMS陀螺随机误差具有非确定性、时变性，以及难以采用精确数学模型进行补偿的问题。根据本专利技术的一方面，提供了一种遗传小波神经网络的陀螺随机误差补偿方法，包括：确定小波神经网络的输入量和输出量；通过梯度修正法训练小波神经网络的权值和小波基函数系数；通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。进一步地，小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层与输入层、输出层之间分别有连接权值，传递函数为小波基函数，该小波神经网络的小波基函数为以下公式：其中，ψ(j)为隐含层第j个节点输出值，ωij为输入层和隐含层的连接权值，k为输入层节点数，I为隐含层节点数，bj为小波基函数的平移因子，aj为小波基函数的伸缩因子，ψ(x)取Morlet小波，小波神经网络的输出层公式如下：其中，y(k)为输出层第k个节点输出值，ωjk为隐含层到输出层权值，I为隐含层节点数，m为输出层节点数，ψ(j)为隐含层第j个节点输出值。进一步地，小波神经网络的输入量为陀螺随机误差的预测时刻对应的前一时刻的陀螺随机误差值；小波神经网络的输出量为陀螺随机误差的预测时刻的陀螺随机误差预测值。进一步地，通过梯度修正法训练小波神经网络的权值和小波基函数系数，具体实现如下：第一步，计算小波神经网络的预测误差其中，为期望输出值，y(k)为预测输出值，m为输出层的节点数；第二步，根据预测误差e更新小波神经网络的权值和小波基函数系数其中，n为隐含层节点数，和分别为更新前和更新后的小波神经网络的权值，和分别为更新前和更新后的小波神经网络的小波基函数系数，和分别为更新前和更新后的小波神经网络的小波基函数系数，η为学习速率。进一步地，通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型，具体实现如下：获取梯度修正法训练后的小波神经网络的权值和小波基函数系数，并对小波神经网络的权值和小波基函数系数进行预处理；计算各遗传算法种群个体的适应度值；若该适应度值满足终止条件，则得到小波神经网络的最佳权值和小波基函数系数；若不满足，则根据各遗传算法种群个体的适应度值，在种群内部进行选择、交叉、变异操作，直到满足终止条件，以获取小波神经网络的最佳权值和小波基函数系数；对小波神经网络的最佳权值和小波基函数系数进行反向处理，赋予小波神经网络。进一步地，预处理为实数编码。进一步地，通过以下公式计算各遗传算法种群个体的适应度值：其中，f为适应度值，E为目标误差函数值，目标误差函数如下：其中，E为目标误差函数值，p为输入染色体数，为目标输出值，为实际输出值。进一步地，通过以下公式计算每个个体的选择概率：其中，Pi为选择概率，f为适应度值，p为输入染色体数。进一步地，通过陀螺实际的随机误差值减去随机误差预测值对陀螺随机误差进行补偿。根据本专利技术的另一方面，提供了一种根据上述遗传小波神经网络的陀螺随机误差补偿方法实现的陀螺随机误差补偿系统，包括：小波神经网络参数设置模块，用于确定小波神经网络的输入量和输出量；计算参数初步训练模块，用于通过梯度修正法训练小波神经网络的权值和小波基函数系数；计算参数二次训练模块，用于通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；陀螺随机误差补偿模块，用于根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。与现有技术相比，本专利技术具有以下优点：1.本专利技术的遗传小波神经网络的陀螺随机误差补偿方法及系统，通过结合遗传算法的全局性寻优特点可以弥补小波函数的局部分析特性，将两者进行统一，进而得到具有全局寻优并兼顾局部寻优特点，从而可以有效的对陀螺随机误差进行预测并补偿，从而达到消除误差的目的。2.本专利技术的遗传小波神经网络的陀螺随机误差补偿方法及系统不仅具有小波变换的局部分析特性和神经网络自主学习、自适应能力，而且还兼顾遗传算法的全局寻优性、适应性和鲁棒性，使得网络收敛速度快且预测更加准确，从而达到准确补偿的目的。3.本专利技术的遗传小波神经网络的陀螺随机误差补偿方法及本文档来自技高网...

【技术保护点】
1.一种遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，包括：确定小波神经网络的输入量和输出量；通过梯度修正法训练小波神经网络的权值和小波基函数系数；通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。

【技术特征摘要】
1.一种遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，包括：确定小波神经网络的输入量和输出量；通过梯度修正法训练小波神经网络的权值和小波基函数系数；通过遗传算法进一步训练小波神经网络的权值和小波基函数系数，用于小波神经网络，建立基于遗传算法与小波神经网络的陀螺随机误差模型；根据基于遗传算法与小波神经网络的陀螺随机误差模型对陀螺随机误差进行补偿。2.根据权利要求1所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，小波神经网络包含三层，分别是输入层、隐含层、输出层，隐含层与输入层、输出层之间分别有连接权值，传递函数为小波基函数，该小波神经网络的小波基函数为以下公式：其中，ψ(j)为隐含层第j个节点输出值，ωij为输入层和隐含层的连接权值，k为输入层节点数，I为隐含层节点数，bj为小波基函数的平移因子，aj为小波基函数的伸缩因子，ψ(x)取Morlet小波，小波神经网络的输出层公式如下：其中，y(k)为输出层第k个节点输出值，ωjk为隐含层到输出层权值，I为隐含层节点数，m为输出层节点数，ψ(j)为隐含层第j个节点输出值。3.根据权利要求2所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，小波神经网络的输入量为陀螺随机误差的预测时刻对应的前一时刻的陀螺随机误差值；小波神经网络的输出量为陀螺随机误差的预测时刻的陀螺随机误差预测值。4.根据权利要求3所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通过梯度修正法训练小波神经网络的权值和小波基函数系数，具体实现如下：第一步，计算小波神经网络的预测误差其中，为期望输出值，y(k)为预测输出值，m为输出层的节点数；第二步，根据预测误差e更新小波神经网络的权值和小波基函数系数其中，n为隐含层节点数，和分别为更新前和更新后的小波神经网络的权值，和分别为更新前和更新后的小波神经网络的小波基函数系数，和分别为更新前和更新后的小波神经网络的小波基函数系数，η为学习速率。5.根据权利要求4所述的遗传小波神经网络的陀螺随机误差补偿方法，其特征在于，通...

【专利技术属性】
技术研发人员：刘贵生，李稚松，李殿赟，
申请(专利权)人：北斗航天卫星应用科技集团有限公司，
类型：发明
国别省市：北京,11